[发明专利]一种面向光学相干断层图像斑块形态检测方法

权利要求书

1.一种面向光学相干断层图像斑块形态检测方法，其特征在于：包括以下步骤：

步骤一、OCT图像的数据增强

通过数据增强技术，增加OCT图像数据量，从而构建网络学习的数据集；

步骤二、斑块形态检测数据集构建

针对OCT图像斑块形态检测，设计U型全卷积网络模型，构建OCT图像斑块检测模型；

步骤三、检测模型损失函数设计

选取焦点损失函数作为网络最终的损失函数，有效减缓数据不平衡；

步骤四、检测模型优化

通过引入判别式模型，同时训练检测模型、判别式模型，在检测模型和判别式模型博弈过程中，检测模型的检测结果得以优化；

步骤五、检测模型评价指标

分别通过交并比和混合矩阵对模型在斑块整体形态检测效果和不同斑块间的形态检测效果两个方面进行评估，通过这两方面的模型评估，建立模型综合评价指标；

步骤六、斑块形态检测完整计算框架构建

在模型评价指标的基础上，结合模型输出的检测结果，共同构建OCT斑块形态检测的完整计算框架所述计算框架包含：模型评价指标和指标检测结果两部分。

2.如权利要求1所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述步骤一OCT图像的数据增强，针对OCT图像数据量小的特点，采用图像随机旋转、图像翻转变换、图像伽马变换和图像缩放变换4方面的数据增强技术，增加OCT图像数据量，从而构建网络学习的数据集。

3.如权利要求1所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述步骤二斑块形态检测数据集构建，设计U型全卷积网络模型，网络模型结构中没有全连接层，使得图像的空间结构，语义信息得到了保留；同时不同层之间的特征图进行了通道维度上的融合相连；

所述U型全卷积网络模型引入了上采样操作，使得下采样后的图像可以恢复到原始图像尺寸，进而和浅层的输出特征图进行通道维度上的融合相连，充分地利用了不同层输出特征图的语义信息。

4.如权利要求1所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述步骤三检测模型损失函数设计，OCT图像中绿色纤维斑块和红色脂质斑块的面积分布极度不平衡，以交叉熵损失函数为基础，采用损失函数来缓解OCT图像形态检测的数据不平衡问题，其数学描述如下：

FL(P_t)＝-(1-P_t)^rlog(P_t)

P_t为网络预测各个类别的概率值，γ≥0，为可调制参数。焦点损失函数通过可调制参数γ；

所述焦点损失函数通过可调制参数γ，减少了易分类样本的权重，从而使得模型在训练时更专注于难分类的样本。

5.如权利要求1所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述步骤四检测模型优化，引入判别式模型的工作流程包括以下步骤：

通过检测模型对输入图像进行不同斑块区域检测；

对输入图像、检测图像、人工标定图像分别进行卷积操作，提取图像中的特征，用于判别式模型输入；

把输入图像、检测图像或输入图像、人工标定图像的卷积特征图在通道维度上进行相加，组成融合特征图像；

对输入图像、检测图像组成的特征图的标签记为0，将这些特征图送入判别式模型，训练判别式模型；类似地，把输入图像、人工标定图像组成的特征图的标签记为1，同样送入判别式模型进行学习，更新判别式模型参数。

控制判别式模型参数，对检测模型进行训练，提高检测模型的检测精度。

6.如权利要求1所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述步骤五检测模型评价指标，交并比为检测结果与人工标定结果的交集与并集的比值，反映了检测结果相对于人工标定结果的准确率，针对整体斑块轮廓检测问题，交并比可以很好地度量模型表现能力；

混合矩阵是常用的可视化分类结果准确率的度量指标，容易可视化分类结果，对模型的准确率和误分率有一个直观的展现；

通过这两方面的模型评估，建立模型综合评价指标。

7.如权利要求6所述的一种面向光学相干断层图像斑块形态检测方法，其特征在于：所述交并比为检测结果与人工标定结果的交集与并集的比值，反映了检测结果相对于人工标定结果的准确率，记检测结果与人工标定结果的交集为S_intersection，并集为S_union，则交并比定义为其数值越大，说明检测结果与人工标定结果的重合度越大。